12、物联网网络与材料科学中的机器学习应用

物联网网络与材料科学中的机器学习应用

1. 物联网网络中的可解释异常检测

1.1 相关工作

入侵检测系统（IDS）旨在检测入侵行为，通常通过检查网络日志等证据来识别可能的恶意行为，并向系统管理员等相关人员发出警报。早期的机器学习应用通过学习用户的“配置文件”来检测异常行为，这种系统更具适应性，能检测到未专门编程的攻击。

NetFlow 是一种用于网络流量收集的思科协议，基于 NetFlow 的异常检测是一种适用于高速网络的可扩展方法。它从数据包头部提取特征，可分析加密流量，提取的特征对提高机器学习模型在入侵检测中的性能至关重要。然而，关于 NetFlow 异常检测在 CPS 网络中的应用研究不足。

现有的基于 NetFlow 的系统大多采用传统机器学习方法，随着模型复杂度的增加，难以解释决策的依据，这对网络安全人员来说没有实际用处，导致许多理论检测率为 100%的方案未能投入使用。因此，需要设计一种基于机器学习方法和可解释性方法的可解释 NetFlow 入侵检测系统。

参考文献	机器学习方法	XAI 方法	数据集
相关文献 1	深度神经网络	SHAP、LIME、CEM、ProtoDash、BRCG	NSL - KDD
相关文献 2	深度前